Tarımsal ortamlarda bitki hastalıklarının gerçek zamanlı tespiti için yapay zekâ tabanlı melez algoritma tasarımı

Dünya genelinde kıtlık ve gıda güvensizliğinin önemli bir nedeni olan bitki hastalıklarının erken tespiti ve önlenmesi, tarımsal ürün verimliliğinin artırılması açısından oldukça önemlidir. Bitki hastalığının sadece erken tespiti değil aynı zamanda türünün belirlenmesi de uygun tedavinin yapılmasında kritik rol oynamaktadır. Bitki hastalıklarının ve çeşitlerinin belirlenmesinde sıklıkla kullanılan gözle muayenenin yorucu ve insan hatasına açık olması, bitki hastalıklarının tespitinde otomatik olarak yüksek doğrulukta ve düşük hesaplama maliyetiyle sınıflandırabilen algoritmaların geliştirilmesini gerektirmektedir. Bu tezde elma, üzüm ve domates bitkilerinden oluşan görüntü veri setinin özellikleri, Biorthogonal, Coiflets, Daubechies, Fejer-Korovkin ve Symlets gibi dalgacık aileleri kullanılarak İki Boyutlu-Ayrık Dalgacık Dönüşümü (Two-Dimensional Discrete Wavelet Transform-2D-DWT) ile çıkarılmaktadır. Her aile için sınıflandırıcı performansını yüksek tutan özellikler popülasyon tabanlı meta sezgisel Çiçek Tozlaşma Algoritması (Flower Pollination Algorithm-FPA) ve Destek Vektör Makinesi (Support Vector Machine-SVM) ile oluşan sarmalayıcı yaklaşımla seçilmektedir. Önerilen optimizasyon algoritmasının performansı Parçacık Sürü Optimizasyonu (Particle Swarm Optimization-PSO) algoritması ile karşılaştırılmaktadır. Daha sonra Evrişimli Sinir Ağı (Convolutional Neural Network- CNN) sınıflandırıcısı için sınıflandırma performansını yüksek tutabilecek en düşük öznitelik sayısı kullanılarak sınıflandırma performansı elde edilmektedir. Modelin karmaşıklığını en aza indirmek ve model hiper parametre problemiyle başa çıkabilmek için öznitelik çıkarma katmanı olmayan tek bir sınıflandırma katmanına sahip CNN sınıflandırıcısı kullanılmaktadır. Elde edilen model, İnsansız Hava Aracı (İHA) üzerindeki NVIDIA Jetson Nano geliştirici kitine gömülerek elma, üzüm ve domates bitkilerinde gerçek zamanlı sınıflandırma testleri yapılmaktadır. Elde edilen deneysel sonuçlar, önerilen modelin belirtilen bitki yaprak hastalıklarını gerçek zamanlı olarak yüksek doğrulukla sınıflandırdığını göstermektedir. Ayrıca, hesaplama karmaşıklığı düşük optimizasyon algoritması ile en az sayıda öznitelik seçilerek oluşturulan sağlam melez sınıflandırma modelinin bitki yaprak hastalıklarını gerçek zamanlı ve hassas bir şekilde sınıflandırabildiği sonucuna varılmaktadır.